帕金森病（Parkinson’s Disease,PD）是一种神经退行性疾病,研究早期PD的特征可以为临床的诊断与治疗提供辅助指导,避免患者错过最佳的治疗时期。大脑功能网络的变化与脑电信号有密切的关系,研究发现PD患者脑功能网络呈现异常。微状态分析方法可以通过对全脑脑电信号的分析,揭示早期PD患者异常的大脑动态活动。然而传统微状态分析方法对EEG数据的信噪比要求较高,并且其分析结果的微状态序列中存在某些无法识别的微状态类。深度学习可以有效识别数据的隐藏特征,并具有一定的抗干扰性和临床可解释性。因此,本文提出采用深度学习对微状态进行识别,并通过微状态结果刻画早期PD的特征。首先,本文采集了早期PD患者和健康人的EEG数据,并对预处理后的EEG数据进行了传统微状态分析,分别得到了早期PD与健康人各自的微状态序列,作为训练深度学习模型的标签。其次,针对微状态分析对EEG数据信噪比要求高且分析结果中存在无法识别的微状态类的问题,本文提出了一种基于微状态空间特性的二维卷积神经网络微状态识别模型,通过对实验数据的分析表明该模型较传统方法相比具有更好的微状态识别能力并具有更好的鲁棒性。最后,针对二维卷积神经网络模型识别结果中微状态的跳变问题,提出了卷积神经网络和门控单元网络（CNN+GRU）的组合神经网络模型,在解决微状态跳变问题的同时,进一步提升了模型的微状态识别能力与鲁棒性;通过对CNN+GRU组合模型的可视化分析,揭示了各微状态类与特定脑网络对应的激活脑区的映射关系;对CNN+GRU模型得到的微状态序列进行了状态转换概率计算以及其与临床量表相关性分析,结果表明早期PD患者大部分状态间转换的概率与健康人具有明显差异,同时随着早期PD患者运动障碍的恶化,特定微状态间的转换概率会随之降低。本文所提出的基于时空特性的CNN+GRU组合模型刻画了早期帕金森EEG微状态特征,为探究早期PD脑网络功能和临床预诊断提供了新的思路。